1. 毕业设计（论文）主要目标：
用卷积神经网络（cnn）作为特征提取器提取图片的特征，用支持向量机（SVM) 作为网络的最后一层，来替代原本的softmax分类器进行分类。
在Fashion-MNIST dataset数据集上取得了比原本的cnn分类器更好的效果。
2. 毕业设计（论文）主要内容：
利用卷积神经网络(cnn)网络它们由隐藏层组成的神经元具有“可学的”参数这一特性。用这些神经元接收输入、执行、点积,然后遵循非线性。 整个网络表示原始图像像素之间的映射和他们班的分数。将Softmax函数是在最后层使用的分类器这个网络。 CNN-SVM模型能够实现一个测试使用MNIST ~ 99.04%的准确性数据集。 另一方面,CNN-Softmax 能够实现一个测试的准确性~ 99.23%使用相同的数据集。 这两个模型还测试了次Fashion-MNIST数据集,这比MNIST分类数据集更为困难。CNN-SVM达到了测试的准确性~ 90.72%,而CNN-Softmax 达到了测试的准确性~ 91.86%。从而在Fashion-MNIST dataset数据集上取得了比原本的cnn分类器更好的效果。
具体流程：
(1 )样本输入卷积后生成卷积层 1 ;
3. 主要参考文献
1.Tang, Yichuan. “Deep Learning using Linear Support Vector Machines.” (2013).
2.Xiao, Han et al. “Fashion-MNIST: a Novel Image Dataset for Benchmarking Machine Learning Algorithms.” CoRR abs/1708.07747 (2017): n. pag.
3.Alalshekmubarak, Abdulrahman and Leslie S. Smith. “A novel approach combining recurrent neural network and support vector machines for time series classification.” 2013 9th International Conference on Innovations in Information Technology (IIT) (2013): 42-47.
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
